CN114323647A - 通过轴承噪声检测进行故障诊断的方法及系统 - Google Patents

Abstract

本公开提供一种通过轴承噪声检测来进行故障诊断的方法和系统。该方法包括：采集轴承检测中的噪声，该噪声包括轴承噪声和工况噪声；对采集的噪声进行预处理，以获得第一时域信号和第二频域信号；以及将所述第一时域信号和第二频域信号输入轴承故障诊断模型。其中，轴承故障诊断模型包括特征提取模型和故障判别模型，特征提取模型分别对第一时域信号和第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征。并且其中故障判别模型将第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。

Description

通过轴承噪声检测进行故障诊断的方法及系统

技术领域

本发明涉及轴承噪声检测领域，尤其涉及用于通过轴承噪声检测进行故障诊断的方法及系统。

背景技术

轴承噪声是轴承质量控制中的关键参数之一，可以通过生产线中的轴承噪声检测来检测某些轴承早期缺陷。但是，噪声与轴承类型有着很强的相关性，例如不同轴承类型的轴承尺寸、材料、油脂等各有不同，噪声也因此不同。因此，针对某种类型的轴承的训练好的检测模型不能直接用于其他新类型的轴承。

典型轴承噪声检测模型的另一个问题是检测要完全取决于轴承的一些关键参数，例如故障频率(BPFI，BPFO等)以及相对稳定和准确的转速信息。但是在某些情况下，这些参数信息很难收集，例如缺少有关轴承类型的信息或缺少轴承速度信息。

目前的轴承检测算法需要收集大量有关轴承信息的轴承数据才能为新型轴承重新训练模型。这不但浪费时间和成本，而且无法支持在越来越多的新应用中的快速扩展。此外，对于没有轴承类型和速度信息的情况，只能由专业人员进行人工诊断，或者只能基于非常简单的诊断逻辑(例如RMS阈值或趋势)进行诊断，因此检测效率和检测精度相对较低。

因此，需要开发一种能够无需轴承信息就能通过自动轴承噪声检测进行故障判断的通用的方法和系统，从而通过提高轴承噪声自动检测模型的泛化能力来提高轴承噪声检测的效率。

发明内容

本发明的一个或多个实施例提供了一种用于通过轴承噪声检测来进行故障诊断的方法。该方法包括：采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声；对采集的噪声进行预处理，以获得第一时域信号和第二频域信号；以及将所述第一时域信号和第二频域信号输入轴承故障诊断模型以进行故障诊断。其中，轴承故障诊断模型包括特征提取模型和故障判别模型，特征提取模型分别对第一时域信号和第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征。并且其中故障判别模型将第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。

其中，对采集的轴承振动信号进行预处理可以包括：对采集的轴承振动信号进行带通滤波。对采集的噪声进行预处理还可以包括获取滤波后的信号的时域波形数据作为第一时域信号，以及对滤波后的信号进行傅里叶变换并获取傅里叶变换后的信号的包络频谱数据作为第二频域信号。可选地，该预处理还可以进一步包括对所述第一时域信号和第二频域信号分别进行归一化处理。可选地，该预处理还可以进一步包括对归一化处理后的第一时域信号和第二频域信号进行重采样。

其中，所述特征提取模型可以包括分别对时域信号和频域信号进行处理的模型，例如，对所述第一时域信号进行处理的第一子模型和对所述第二频域信号进行处理的第二子模型。

该方法还可以进一步包括基于所述第一时域信号，所述第一子模型利用卷积核分别提取第一峰值数据和第一平均值数据；以及基于所述第二频域信号，所述第二子模型利用卷积核提取第二峰值数据和第二平均值数据。其中，所述第一峰值数据代表时域中特定时间上的噪声冲击，所述第一平均值数据代表时域中的平均工况噪声。其中，所述第二峰值数据代表频域中特定频谱上的噪声冲击，所述第二平均值数据代表频域中的平均工况噪声。

该方法还可以进一步包括：将所述第一峰值数据和第一平均值数据合并，以获得所述第一特征；以及将所述第二峰值数据和第二平均值数据合并，以获得所述第二特征。

其中，所述特征提取模型可以是基于卷积神经网络(CNN)的模型并且所述故障判别模型可以是基于全连接网络的模型。

其中，所述第一时域信号可以是时域包络，所述第二频域信号可以是频谱包络。

所述方法还可以包括基于历史故障模式建立故障模式数据集，以及存储判别出的故障模式以更新故障模式数据集。

本发明的一个或多个实施例提供了一种通过轴承噪声检测来进行故障诊断的系统。该系统包括数据采集器，处理器以及存储器。数据采集器被配置来采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声。所述处理器与所述数据采集器连接并且被配置为执行对采集的噪声的预处理，以获得第一时域信号以及第二频域信号。所述处理器还被配置成将所述第一时域信号以及第二频域信号输入轴承故障诊断模型以对轴承故障进行判别。其中，所述轴承故障诊断模型包括特征提取模型和故障判别模型。所述处理器被配置为使得通过所述特征提取模型分别对所述第一时域信号以及第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征；并且通过所述故障判别模型将所述第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。所述存储器被配置为与处理器连接并且存储获得的故障识别结果以更新原始故障数据库。

本发明的一个或多个实施例提供一种包括指令的计算机可读存储介质，所述指令被计算机执行以实现上述通过轴承噪声检测来进行故障诊断的方法。

有利地，本发明所公开的通过轴承噪声检测进行故障诊断的方法及系统可以在无需轴承信息的情况下实现通过自动轴承噪声检测进行故障判断，从而通过提高轴承噪声自动检测模型的泛化能力来提高轴承噪声检测的精度及效率。

附图说明

所述系统参照下列描述并结合附图可被更好地理解。图中的部件不是按比例的，而是将重点放在说明本发明的原理。此外，在图中，相似或相同参考数字代表相似或相同元件。

图1示意性示出了根据本发明的一个或多个实施例的对用于通过对轴承噪声的检测来进行故障识别的方法流程图。

图2示意性示出了根据本发明的一个或多个实施例的对采集的轴承噪声进行预处理的方法流程图。

图3示意性示出了根据本发明的一个或多个实施例的轴承故障诊断模型简图。

图4示意性示出了根据本发明的轴承故障诊断模型的一个网络模型示例。

具体实施方式

应当理解，给出实施例的以下描述仅仅是为了说明的目的，而不是限制性的。在附图中示出的功能块、模块或单元中的示例的划分不应被解释为表示这些功能块、模块或单元必须实现为物理上分离的单元。示出或描述的功能块、模块或单元可以实现为单独的单元、电路、芯片、功能、模块或电路元件。一个或多个功能块或单元也可以在公共电路、芯片、电路元件或单元中实现。

图1示意性示出了根据本发明的一个或多个实施例的对用于通过对轴承噪声的检测来进行故障识别的方法流程图。

参考图1，在S101处，可以通过传感器，例如一个或多个振动传感器，来采集轴承检测中的噪声，该噪声包括由轴承故障引起的轴承噪声，并且该噪声还包括工况噪声。在S102处，可以执行对通过传感器采集到的噪声信号进行预处理。在S103处，将预处理后的信号输入到轴承故障诊断模型进行诊断。可选地，在S104处，存储和/或输出故障诊断结果。例如，输出的故障诊断结果可以通过显示设备显示给操作员/用户或者通过警报装置发出警报音以提醒操作员/用户检测到轴承故障，或者将故障诊断结果存储起来以在操作员/用户调用结果时显示给操作员/用户。

图2示意性示出了根据本发明的一个或多个实施例的对采集的轴承噪声数据进行预处理的示例性方法流程图。

首先，在S201处，可以对采集的噪声信号进行滤波。例如，可以通过采用带宽为500Hz-10000Hz的带通滤波器对噪声信号进行滤波。在实际操作中，可以根据实际情况来调整带通滤波器的带宽范围，例如可以基于工况转速和载荷中的至少一个对带通滤波器的带宽进行调整。

接着，对滤波后的噪声信号进行两路并行处理。一路处理是在时域中对滤波后的信号进行处理，另一路处理是在频域中对滤波后的信号进行处理。例如，在S202处，可以获取滤波后的信号的时域波形数据(即，时间序列数据)作为第一时域信号。例如，在S203处，可以对滤波后的信号进行傅里叶变换，以将滤波后的时域信号转换成频域信号，并且计算出频域信号的频谱包络数据(例如ENV数据)作为第二频域信号。

在S204处，可以对时域波形数据(时域包络数据)和频域频谱包络数据进行归一化处理。并且，根据轴承故障诊断模型对输入信号的长度要求，以恒定长度对时域波形数据和频域频谱包络数据分别进行重采样。例如，通常优选的恒定长度为128*128。然而，本领域的技术人员可以理解的是，可以根据实际需求以及轴承故障诊断模型的具体设计，匹配性地采用其他恒定长度。随后，重采样后的时域波形数据和频域频谱包络数据被输入到轴承故障诊断模型，以进行故障识别。本领域的技术人员可以理解，上述对数据进行预处理的步骤可以被顺序和/或并行执行。

以下将参考图3和图4来介绍本发明的一些实施例所设计的轴承故障诊断模型。本发明的一些实施例的轴承故障诊断模型是基于深度神经网络来设计的。图3是根据本发明的一个或多个实施例的轴承故障诊断模型示意简图。如图3所示，本发明的轴承故障诊断模型可以划分成两个部分，第一部分是基于卷积神经网络(CNN)的特征提取模型，第二部分是基于全连接网络的故障判别模型。此外，本实施例的轴承故障诊断模型同时考虑两种数据输入，即时域包络信号数据和频域包络谱线数据，并且通过同时对时域冲击峰和频域故障频率峰两种模式进行自动特征提取，最终识别故障。具体来说，利用卷积网络中的池化技术，选择特定的池化函数(例如最大值函数)，提取卷积后谱线局部的峰值，通过多级卷积提取稳定的峰值特征。峰值本身代表在某一特定时间或者特定频谱上的冲击，该冲击往往是因设备的部分故障(例如，轴承故障)导致，正常轴承一般没有明显的冲击。另外，同时选择其他的池化函数(例如平均值)，提取卷积后谱线的均值，代表时域和频域上的平均能量，这往往代表平均工况振动和/或噪声，随着轴承故障的不断明显，检测过程中的整体噪声也会越来越大。通过特征提取模型实现从时域/频域两种不同包络线上提取的与故障冲击相关的特征(例如局部峰值)和与轴承平均噪声/振动的特征(例如局部均值)，为对轴承健康状态判断的有效参数。通常在良好的轴承条件下，轴承平均振动很小，与故障冲击相关的特征无论在频域还是时域都会非常明显，易于检测；但单纯基于该特征的检测也容易出现过早判别，把轴承的故障判别的过于严重，而产生不必要的浪费，如过多不良率或者额外的维护检测成本等。但随着轴承的健康状态不断恶化，不仅局部冲击增加，轴承的平均噪声也会随之增加。该等故障特征在时域和频域上表现会差别很大，有时在时域上不明显，但在频域上会凸显出来。此外，基于复杂的因素，使用固定的阈值来基于上述方案进行检测的结果并不理想。本发明的上述实施例，基于诸如神经网络等算法模型，能够从大量的数据中，对不同状态的有标签的数据进行学习，最终实现模型收敛，达到良好的识别率。需要说明的是，尽管本发明的上述实施例主要以神经网络作为示例，但该等示例并非用于限制，任何使用与神经网络类似的算法模型，并基于本发明的上述实施例所示的精神、思想等来实现本发明的方案，均应包含在本发明的范围内。

参考图3，上述参考图2说明的预处理后的数据作为输入数据被输入到轴承故障诊断模型的第一部分，即基于CNN网络的特征提取模型。本发明的特征提取模型包括两个独立的分支子模型，以分别对输入的时域包络和频域包络单独处理。两个独立的分支子模型可以分别实现对时域信号和频域信号的特征提取。

例如，图3(左半部分)示意性示出了对时域信号进行特征提取的第一子模型，其利用卷积核从时域包络谱线上并行提取局部峰值和平均值。其中，局部峰值代表可能的故障冲击，局部平均值代表工况下的噪声水平。经过卷积后的峰值和平均值是用于故障检测的自提取关键特征。出于示例性说明原理的目的，图3省略了多层网络结构，仅仅以简图的形式示意性地示出了网络结构，而在实际操作中，往往可以根据实际情况设计多层网络，以保证提取各种峰值的稳定性，以及减少峰值对频谱位置的敏感度。经过多层网络得出的局部峰值和平均值被合并，以计算出第一子模型的与时域冲击峰相关联的第一特征。

类似的，图3(右半部分)示意性示出了对频域信号进行特征提取的第二子模型，其同样利用卷积核从频域包络谱线上提取局部峰值和平均值。并且，将经过多层网络得出的局部峰值和平均值合并，以计算出第二子模型的与故障频率峰相关联第二特征。

接下来，将计算出的第一子模型的第一特征和第二子模型的第二特征输入到基于全连接网络的故障判别模型，并进行特征合并。并且，通过综合故障冲击特征和工况噪声特征，最终利用多层的全连接网络实现基于特征的故障判别。多层的全连接网络实现一个特殊的分类器，根据故障和工况噪声，能正确的区分正常轴承和故障轴承，故障轴承往往有更多的冲击特征和比较大的工况噪声。

图4示出了本发明的一个示例性轴承故障诊断模型的深度神经元网络模型。该模型中包括两个部分，第一部分是基于卷积神经网络(CNN)的特征提取模型，第二部分是基于全连接网络的故障判别模型。其中基于CNN的特征提取模型包括两个独立的分支子模型，以分别对输入的时域包络和频域包络单独处理。两个独立的分支子模型可以分别并行实现对轴承振动信号的时域信号和频域信号的特征提取。

其中，对时域信号进行特征提取的第一子模型可以包括多个卷积层，例如用于通过卷积提取局部峰值的卷积层conv1D_4:Conv1D,conv1D_5:Conv1D,conv1D_6:Conv1D,和用于通过卷积提取局部平均值的卷积层conv1D_7:Conv1D,conv1D_8:Conv1D,conv1D_9:Conv1D。卷积层使用卷积核对输入信号或特征的局部区域进行卷积计算，来提取需要的关键特征信息。第一子模型还包括多个池化层。池化层主要作用是减少参数数量，降低原始特征的数量。卷积层虽然很大程度上已经减少了神经网络中的连接数量，但对于特征映射组中的神经元，个数并没有明显减少，后续输入的维数仍然较高，容易造成过拟合，所以通常将卷积层和池化层配合使用，可以有效降低特征维数。在图4所示的示例性模型中，其中第一子模型包括用于提取局部峰值的最大池化层，例如，max_pooling1d_3:MaxPooling1D,max_pooling1d_4:maxPooling1D,max_pooling1d_5:MaxPooling1D,以及用于提取平均值的平均池化层average_pooling1d_2:AveragePooling1D,average_pooling1d_3:AveragePooling1D,average_pooling1d_4:AveragePooling1D。本领域的技术人员可以理解，图4仅仅示例性地示出了多层卷积层和池化层结构，而在实际操作中，可以根据不同的需求设计更多或更少的卷积层和池化层。

接着，例如，从最大池化层max_pooling1d_5:MaxPooling1D输出的代表局部峰值的数据经过展平层flattern_3:Flattern展平为一维峰值数据，从平均池化层average_pooling1d_4:AveragePooling1D输出的代表平均值的数据经过展平层flattern_4:Flattern展平为一维平均值数据。将展平后的一维峰值数据和一维平均值数据在合并层concatenate_2：Concatenate进行合并，以提取出第一子模型的第一特征。该第一特征经过紧密层dense_2:Dense之后输入到合并层concatenate_2：Concatenate，以与从对频域信号进行特征提取的第二子模型中提取的第二特征进行合并。

类似的，对频域信号进行特征提取的第二子模型也可以包括多个卷积层，例如用于通过卷积提取局部峰值的卷积层conv1D_1:Conv1D,conv1D_2:Conv1D,以及用于通过卷积提取局部平均值的卷积层conv1D_3:Conv1D。第二子模型还可以包括多个池化层，例如用于提取局部峰值的最大池化层，max_pooling1d_1:MaxPooling1D,max_pooling1d_2:maxPooling1D,以及用于提取平均值的平均池化层average_pooling1d_1:AveragePooling1D。

例如，进入第二子模型的频域信号在一个分支经过卷积层conv1d_1:Conv1D和池化层max_pooling1d_1:MaxPooling1D之后又经历了conv1d_2:Conv1D和max_pooling1d_2:maxPooling1D。从最大池化层max_pooling1d_2:MaxPooling1D输出的代表局部峰值的数据经过层flattern_1:Flattern展平为一维峰值数据。同时进入第二子模型的频域信号在另一个分支经过卷积层conv1D_3:Conv1D和平均池化层average_pooling1d_1:AveragePooling1D之后从平均池化层输出的代表平均值的数据不再经过另外的卷积层和池化层，而是直接经过层flattern_2:Flattern展平为一维平均值数据。随后，展平后的一维峰值数据和一维平均值数据在合并层concatenate_1：Concatenate进行合并，以提取出第二子模型的第二特征。该第二特征经过紧密层dense_1:Dense之后输入到合并层concatenate_3：Concatenate，以与从第一子模型中提取的第一特征进行合并。

可以看出，两个子模型中的卷积层和池化层的数量可以不同，同一子模型中的最大池化层和平均池化层的数量也可以不同。本领域的技术人员可以理解，这些卷积层、池化层的数量根据具体实际操作不同而不同。同样，合并层、展平层、密集层的数量也可以根据具体要求不同而不同，或者可以省略其中部分层。

通过第一子模型提取的第一特征和通过第二子模型提取的第二特征输入到基于全连接网络的故障判别模型，并且首先在合并层concatenate_3：Concatenate中合并。通过综合故障冲击特征和工况噪声特征，进一步通过例如包括dense_3：Dense，dropout_1：Dropout，dense_4：Dense，dense_5：Dense的多层全连接网络实现基于特征的故障判别。

通过本发明上述实施例设计的轴承故障诊断模型，可以在没有任何轴承信息和速度信息的情况下实现自动轴承故障诊断模型。在构建本发明的轴承故障诊断模型时，可以从所有历史故障数据库中收集典型故障模式，形成故障模式原始数据集，以用于对本发明的上述实施例的故障诊断模型进行训练。本发明的上述实施例的故障诊断模型仅通过将轴承检测中的振动(噪声)波形形状或具体图案与典型故障模式进行比较来诊断轴承故障，而无需任何详细的轴承信息和速度信息。在大多数情况下，波形形状和具体图案比绝对幅度值重要得多。在训练时，同样在将故障模式原始数据集输入本发明的神经网络模型之前，需要对原始数据集进行预处理。该预处理方法与上述结合图2说明的预处理方法一样，在此不再重复说明。此外，为了扩大训练数据集，还可以从历史故障数据库中随机抽取数据的频谱包络曲线数据和时间序列曲线数据，并随机添加了白噪声以生成更多训练数据集。同时，在实际检测中检测出的故障类型数据也可以不断的存储到原始数据集中，以对原始训练数据集进行扩充和更新。

本发明中设计的特殊的轴承故障诊断模型结构可以提供更好的泛化能力。该模型结构可直接用于不同的轴承类型、润滑脂类型、密封类型等。并且本发明的故障诊断模型结构除了应用在轴承制造中之外，还可以用于任何包括轴承的机械结构的故障诊断过程中，以实现自动诊断。本发明的方法还适合于在公共云中建立模型，并连接到任何客户端以在无轴承类型的情况下诊断轴承故障。例如，本发明的轴承噪声检测方法可用于风力涡轮机中的主要轴承故障诊断，而无需涡轮机类型和轴承信息，由此极大的节约了计算时间和成本，进而提高了检测效率。本发明的方法还可以扩展到不同的应用，例如变速箱故障检测，不平衡故障检测等。

本发明的一个或多个实施例还提供了一种用于轴承噪声检测的系统。该系统包括数据采集器，例如振动传感器。该数据采集器被配置为采集轴承检测中的振动(噪声)信号。本发明的系统还可以包括与数据采集器连接的处理器。本发明的处理器作为整体可为微处理器、专用集成电路(ASIC)、芯片上系统(SoC)、计算装置、便携移动计算装置(例如，平板计算机或手机)等。处理器可以被配置为执行以下方法：对采集的振动(噪声)信号进行预处理，以获得时域信号以及频域信号；以及将时域信号以及频域信号输入轴承故障诊断模型。其中，该轴承故障诊断模型包括特征提取模型和故障判别模型，特征提取模型分别对时域信号以及频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征。故障判别模型将第一特征和第二特征合并，以获得故障识别结果。该系统还可以包括与处理器连接的存储器。该存储器可以存储原始故障数据集以及可以存储获得的故障识别结果以更新原始故障数据集。

本文描述的处理器、存储器或系统中的任何一个或多个包括计算机可执行指令，所述计算机可执行指令可以从使用各种编程语言和/或技术创建的计算机程序中编译或解释。一般来说，处理器(诸如微处理器)例如从存储器、计算机可读介质等接收指令并执行指令。处理器包括能够执行软件程序的指令的非暂态计算机可读存储介质。计算机可读介质可以是但不限于电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或其任何合适的组合。

已经出于说明和描述的目的而呈现了对实施方案的描述。可以鉴于以上描述执行或可以通过实践方法获得实施方案的合适的修改和变化。例如，除非另外指出，否则所描述的一种或多种方法可以由合适的装置和/或系统的组合来执行。所述方法可以通过以下方式来执行：利用一个或多个逻辑装置(例如，处理器)结合一个或多个另外的硬件元件(诸如存储装置、存储器、电路、硬件网络接口等)来执行存储的指令。所述方法和相关联动作还可以按除了本申请中所述的顺序之外的各种顺序并行和/或同时执行。所述系统本质上是示例性的，并且可包括另外的元件和/或省略元件。本公开的主题包括所公开的各种方法和系统配置以及其他特征、功能和/或性质的全部新颖的且非显而易见的组合。

如本申请中所使用的，以单数形式列举并且前面带有词语“一/一个”的元件或步骤应当被理解为并不排除多个所述元件或步骤，除非指出这种排除情况。此外，对本公开的“一个实施方案”或“一个示例”的参考并非意图解释为排除也并入所列举特征的另外实施方案的存在。上文已参考特定实施方案描述了本发明。然而，本领域的一般技术人员将理解，可在不脱离如所附权利要求书中陈述的本发明的较广精神和范围的情况下对其作出各种修改和改变。

Claims (10)

1.一种用于通过轴承噪声检测来进行故障诊断的方法，包括：

采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声；

对采集的噪声进行预处理，以获得第一时域信号以及第二频域信号；以及

将所述第一时域信号以及第二频域信号输入轴承故障诊断模型；

其中，所述轴承故障诊断模型包括特征提取模型和故障判别模型，所述特征提取模型分别对所述第一时域信号以及第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征；以及所述故障判别模型将所述第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。

2.根据权利要求1所述的方法，其中，所述特征提取模型包括用于对所述第一时域信号进行处理以获得所述第一特征的第一子模型和对所述第二频域信号进行处理以获得所述第二特征的第二子模型。

3.根据权利要求2所述的方法，其中，

基于所述第一时域信号，通过所述第一子模型分别提取第一峰值数据和第一平均值数据，其中，所述第一峰值数据代表时域中特定时间上的噪声冲击，所述第一平均值数据代表时域中的平均工况噪声；以及

基于所述第二频域信号，通过所述第二子模型分别提取第二峰值数据和第二平均值数据，其中，所述第二峰值数据代表频域中特定频谱上的噪声冲击，所述第二平均值数据代表频域中的平均工况噪声。

4.根据权利要求3所述的方法，还包括：

将所述第一峰值数据和第一平均值数据合并，以获得所述第一特征；以及

将所述第二峰值数据和第二平均值数据合并，以获得所述第二特征。

5.根据权利要求1-4中任一项所述的方法，其中，所述特征提取模型是基于卷积神经网络CNN的模型并且所述故障判别模型是基于全连接网络的模型。

6.根据权利要求1-4中任一项所述的方法，其中，所述第一时域信号是信号的时域包络，所述第二频域信号是信号的频谱包络。

7.根据权利要求1-4中任一项所述的方法，还包括基于历史故障模式建立故障模式数据集，以及存储判别出的故障模式以更新故障模式数据集。

8.根据权利要求1-4中任一项所述的方法，所述预处理包括：

对采集的噪声进行带通滤波；

获取滤波后的信号的时域波形数据作为所述第一时域信号；

对滤波后的信号进行傅里叶变换，并获取傅里叶变换后的信号的包络频谱数据作为第二频域信号；

对所述第一时域信号和第二频域信号分别进行归一化处理；以及

对归一化处理后的第一时域信号和第二频域信号进行重采样。

9.一种通过轴承噪声检测来进行故障诊断的系统，包括：

数据采集器，被配置为采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声；

与所述数据采集器连接的处理器，所述处理器被配置为：

对采集的噪声进行预处理，以获得第一时域信号和第二频域信号；以及

将所述第一时域信号和第二频域信号输入轴承故障诊断模型；

其中，所述轴承故障诊断模型包括特征提取模型和故障判别模型，所述特征提取模型分别对所述第一时域信号以及第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征；并且所述故障判别模型将所述第一特征和第二特征合并，并且基于合并后的特征对故障进行判别；和

存储器，其被配置为与处理器连接并且存储判别出的故障模式以更新故障模式数据集。

10.一种包括指令的计算机可读存储介质，所述指令被计算机执行以实现如权利要求1-9中任一项所述的方法。

Images